GoogleCloudPlatform/generative-ai: Notebook-Sammlung für Gemini auf der Agent Platform

Was das Repository liefert und was nicht

Google Cloud betreibt unter GoogleCloudPlatform/generative-ai eine Sammlung von Notebooks, Codebeispielen und Sample-Apps, die zeigen, wie generative KI auf der Agent Platform aufgebaut wird. Die README beschreibt den Zweck wörtlich als Ressourcen, die "how to use, develop and manage generative AI workflows" demonstrieren. Der Gegenstand ist also nicht ein Paket, das man installiert, sondern eine Reihe einzelner Notebooks, die man öffnet und ausführt. Wer nach einer Bibliothek mit stabilem API-Vertrag sucht, wird hier nicht fündig. Die Sprache des Repositories ist Jupyter Notebook, was bedeutet, dass der Code überwiegend in Zellen liegt und nicht in Modulen mit Import-Oberfläche. Die Lizenz ist Apache-2.0, was die Übernahme von Codeausschnitten in eigene Projekte erlaubt, solange die Lizenzbedingungen eingehalten werden. Die README verlinkt zusätzlich ein separates Repository Google-Cloud-AI/agent-platform für Agent-Bau, was bereits andeutet, dass dieses Repository nicht der einzige Ort für Agent-Themen ist.

Ordnerstruktur als eigentliche Dokumentation

Die README listet sieben Einträge, die den Einstieg steuern. gemini/ enthält Starter-Notebooks, Anwendungsfälle, Function Calling und Sample-Apps. search/ deckt Agent Search ab, eine von Google verwaltete Lösung für Suche über Websites und Unternehmensdaten, früher als Enterprise Search on Generative AI App Builder bekannt. rag-grounding/ ist ausdrücklich ein Index, der Notebooks und Beispiele aus anderen Verzeichnissen zu Retrieval Augmented Generation und Grounding bündelt, also kein eigener Codebestand. vision/ sammelt Lösungen mit Imagen und Veo, audio/ solche mit Chirp, einer Variante des Universal Speech Model. setup-env/ enthält Anleitungen zur Einrichtung von Google Cloud, dem Gen AI Python SDK und Notebook-Umgebungen auf Colab und Workbench. RESOURCES.md verweist auf Blogs und YouTube-Playlists. Diese Aufteilung ist nach Thema und Modalität sortiert, nicht nach Produktversion. Wer wissen will, welche Notebooks zu einem bestimmten Modellstand gehören, muss die README-Verknüpfung zu intro_gemini_3_8_flash.ipynb im Ordner gemini/getting-started/ selbst verfolgen.

Einrichtung: SDK, Colab, Workbench

Die README nennt setup-env/ als den Ort für die Einrichtung von Google Cloud, dem Gen AI Python SDK und Notebook-Umgebungen auf Colab und Workbench. Konkrete Befehle, Paketnamen oder Konfigurationsschlüssel stehen in der README selbst nicht. Wer die genauen Installationsschritte braucht, muss die Notebooks in setup-env/ öffnen. Das ist eine bewusste Entscheidung: Die README bleibt eine Landkarte, die Ausführung liegt in den Notebooks. Für die Praxis heißt das, dass man zuerst das Setup-Notebook ausführt und danach das thematische Notebook. Ein Hinweis in der README betrifft die Plattform selbst: Gemini Enterprise Agent Platform wird als "the latest evolution of Vertex AI" bezeichnet. Ältere Notebooks im Repository können daher noch Vertex-AI-Bezeichnungen tragen, während neuere auf die Agent Platform verweisen. Vor dem Ausführen lohnt der Blick in die erste Zelle eines Notebooks, weil dort in der Regel Projekt-ID, Region und Authentifizierung gesetzt werden.

RAG und Grounding: Index statt eigener Code

Der Ordner rag-grounding/ ist der interessanteste Eintrag, weil er die Grenze des Repositories zeigt. Laut README ist er "an index of notebooks and samples across other directories focused on this topic". Es gibt also keine zentrale RAG-Implementierung, sondern Verweise auf Notebooks, die an anderer Stelle liegen. Das hat Folgen für die Wartung: Ändert sich ein Notebook in einem anderen Ordner, muss der Index nicht zwangsläufig mitwandern. Wer RAG auf der Agent Platform aufbauen will, findet hier den Einstieg, aber keine Bibliothek, die man unverändert in eine Anwendung einbinden könnte. Die Beispiele sind als Lernpfad gedacht. Für eine produktive Pipeline müsste man die gezeigten Schritte in eigenen Code überführen, inklusive Fehlerbehandlung, Wiederholungsversuchen und Tests, die ein Notebook nicht liefert.

Grenzen: Notebooks sind kein Anwendungscode

Der wichtigste Vorbehalt ergibt sich aus dem Format. Ein Notebook ist ein lineares Dokument mit Zustand. Zellen können in beliebiger Reihenfolge ausgeführt werden, Variablen bleiben im Speicher, und ein Neustart der Laufzeit kann Ergebnisse verändern. Für Demonstrationen ist das unproblematisch. Für Anwendungen, die mehrere Nutzer bedienen, ist es die falsche Grundlage. Hinzu kommt die Plattformbindung: Die Beispiele richten sich an die Agent Platform, an Agent Search, an Imagen, Veo und Chirp. Wer außerhalb von Google Cloud arbeitet oder einen Anbieterwechsel offenhalten will, muss die Beispiele auf einen anderen Stack übertragen, und dafür gibt das Repository keine Hilfestellung. Ein weiterer Punkt ist die Versionspflege. Die README bewirbt Gemini 3.8 Flash und die Agent Platform, während ältere Notebooks im Bestand weiterhin existieren können. Es gibt keine veröffentlichten Releases, an denen man sich orientieren könnte, also keinen Changelog, der den Stand eines Notebooks datiert. Man muss den letzten Commit oder die Modellbezeichnung im Notebook selbst prüfen.

Alternative: Gemini Cookbook und ADK Samples

Die README verweist selbst auf Alternativen, was die Abgrenzung erleichtert. Das Gemini Cookbook (google-gemini/cookbook) ist der nähere Vergleich, weil es ebenfalls Notebooks für Gemini bereitstellt, aber nicht auf die Google-Cloud-Plattform zugeschnitten ist. Der Unterschied liegt im Kontext: Hier stehen Agent Platform, Agent Search, Workbench und Colab im Vordergrund, dort die Gemini-API selbst. Wer die API ohne Cloud-Projekt ausprobieren will, ist im Cookbook besser aufgehoben. Wer Agenten bauen will, wird auf das Repository google/adk-samples verwiesen, das fertige Agenten auf Basis des Agent Development Kit bereitstellt, sowie auf GoogleCloudPlatform/agent-starter-pack mit Vorlagen für Deployment, Evaluation und Observability. Das generative-ai-Repository deckt diese Produktionsbelange laut eigener Beschreibung nicht ab. Die Abgrenzung ist also nicht konkurrierend, sondern arbeitsteilig: Lernen hier, Bauen in den verlinkten Repositories.

Wartung, Lizenz und Aufwand

Das Repository ist nicht archiviert und wurde zuletzt am 9. September 2026 aktualisiert, was auf laufende Pflege hindeutet. Veröffentlichte Releases gibt es laut den vorliegenden Angaben nicht, also auch keine Versionsnummern, an denen man einen Upgrade-Pfad festmachen könnte. Für Nutzer bedeutet das: Wer ein Notebook in ein eigenes Projekt übernimmt, übernimmt einen Schnappschuss. Es gibt keinen Mechanismus im Repository, der Änderungen an Modell-APIs oder SDK-Signaturen an die Kopie meldet. Der Aufwand entsteht nicht beim Klonen, sondern beim Nachziehen. Die Lizenz Apache-2.0 erlaubt Weitergabe und Änderung unter Bedingungen, die unter anderem Urheberrechtshinweise und den Hinweis auf geänderte Dateien betreffen. Das ist keine Rechtsberatung, aber für Teams, die Codeausschnitte in ein Produkt überführen, ist der Blick in die LICENSE-Datei des Repositories der erste Schritt, nicht der letzte.

Redaktionelles Fazit

Wer Gemini, RAG oder generative Medien auf der Agent Platform ausprobieren will, findet hier lauffähige Notebooks und eine klare Ordnerstruktur als Einstieg. Wer ein versioniertes SDK, eine Bibliothek mit Release-Zyklus oder produktionsreifen Anwendungscode sucht, ist im falschen Repository. Vor dem ersten Commit in ein eigenes Projekt sollte man prüfen, ob die Notebooks auf die aktuelle Agent Platform verweisen oder noch auf Vertex-AI-Pfade, und ob die Ordner setup-env/ und rag-grounding/ den eigenen Anwendungsfall abdecken.

Offizielle Quellen

1. GoogleCloudPlatform/generative-ai on GitHub
2. Issues
3. License: Apache-2.0
4. Project website
5. README